人工智能实验室如何利用计算机视觉技术监测医院

人工智能实验室如何利用计算机视觉技术监测医院

娱乐八卦 2024-12-14 11:00www.bnfh.cn娱乐八卦

注:本文由哈克和郭美儿在《斯坦福大学人工智能实验室博客》翻译并介绍,主要关注斯坦福大学人工智能实验室如何利用计算机视觉技术监测医院洗手情况,以改善医院卫生状况。

每年因医院感染而丧命的人数远超车祸死亡人数,这让我们担忧,当你走进医院时,有三分之一的可能性你的健康状况会恶化。幸运的是,借助改善卫生条件,这一局面有望得到扭转。在公共场所,如医院、机场和餐馆等,手部卫生是防止疾病传播的第一道防线。如何确保这一防线的有效性成为了一个挑战。

斯坦福大学人工智能辅助护理中心及其全球合作伙伴已经针对这一问题进行了深入研究,并开发了一种新技术。尽管还有许多工作要做,但我们相信这项技术将帮助医院降低感染率,改善患者健康。

为了加强手卫生教育,医院通过医学课程、公告栏上的海报以及每周的员工会议进行宣传。世界卫生组织甚至明确了医务人员洗手的五个主要时刻。为了确认手卫生的实施情况,医院采用RFID卡或员工徽章进行跟踪。这些工具虽然有一定作用,但也存在工作流程中断的问题。例如,当员工进入新房间时,肥皂盒会被刷到RFID卡上。技术上的挑战在于RFID技术的覆盖距离较短,长距离的有源RFID也受到定向天线的限制,需要电池。显然,需要一种没有RFID技术缺陷的新解决方案。

我们与斯坦福大学的Lucile Packard儿童医院合作,开创了一种全新的跟踪手部卫生的方法:利用尖端的计算机视觉技术,无需临床医生的干预。在计算机成像领域,这项技术尚未在医院的物理空间得到广泛应用。幸运的是,计算机视觉技术在物理空间的另一个领域已经大放异彩——自动驾驶汽车使用大量传感器理解环境。我们是否可以在医院使用这些传感器来更好地理解医疗环境呢?

深度传感器(如Xbox Kinect)能够记录距离而非颜色。在普通彩色图像中,每个像素代表一种颜色;而在深度图像中,每个像素代表真实世界中物体与传感器之间的距离。

通过在医院天花板安装深度传感器,我们获得了彩色照片无法呈现的信息。在深度图像中,即使看不到人们的面孔,也能了解他们的行为。这既保护了用户隐私,也在医院中至关重要。为了验证和发展我们的计算机视觉技术,我们在两家医院的病房——儿童心血管病房和成人重症监护病房安装了深度传感器。

迄今为止,我们已经全面追踪了医院内所有行人的移动轨迹,包括全球医院病房的地面位置。接下来,我们将重点检测手部卫生状况并将其与特定轨迹紧密关联。然后,我们将每个行人的轨迹标记为清洁或污染状态。

在实际应用中,传感器的部署受到多种安装限制的影响。由于施工和维护技术人员安装的传感器的角度和位置存在差异,我们的模型必须具备应对这些变化的能力。为了解决这个问题,我们采用了空间变换网络(STN)替代传统的卷积神经网络(CNN),因为STN能够处理视角变化的问题。

在数据扩展阶段,我们重视人类分割的技术。为了分类手部卫生行为,我们引入了空间变换结合密集卷积神经网络的方法。

STN能够处理随机图像输入并输出经过畸变校正的图像。为了加速模型学习,我们还为STN提供了人体分割信息,如人体轮廓。这种轮廓可以采用前景-背景技术或深度学习方法进行提取。STN的畸变校正功能将图像转换为学习透视不变形式。然后,我们从这一畸变图像中,使用标准的CNN(如DenseNet)进行是否使用洗手液的二进制分类。

接下来,我们需要将轨迹集与单个手部卫生测试集相结合,引入两个新变量:空间和时间。对于每个手部卫生分类器测试,我们必须将其与单个轨迹匹配。当轨迹T满足两个条件时,分类器和跟踪器之间的匹配才会发生。

如果存在多个满足条件的轨迹,我们将通过选择距离最近的(x,y)位置来确定连接。我们模型的最终输出是轨迹列表T,其中每个轨迹由包含时间标记t、二维地面坐标(x,y)以及最新动作或事件标记a的有序列表组成。通过T,我们可以计算达到标准的比率,并与金标准的评价指标进行比较。

目前,许多医院采用神秘访客的方式来评估手卫生的执行情况。受过训练的人员会在医院病房内观察工作人员是否私下洗手。我们称之为秘密观察,这与公众审计观察有所不同,目的是最小化霍桑效应,即有人在监视时改变行为的情况。

我们已经比较了计算机视觉、在病房固定位置驻留的多个审计员、在病房周围行走的单个审计员以及使用RFID标签等方法的效果。人工审计的准确率可达72%,而使用计算机视觉的方法则稍逊一筹,准确率为63%。具有全局视野的系统表现更佳。尽管真实标签是远程标记而非实时标记的,但由于远程注释器可以访问所有传感器并按时回放以确保注释正确,因此表现较好。而现场审计员无法访问所有传感器,也不能及时回放事件。

手部卫生检测图像的结果也很有趣。蓝色方块表示有人正在使用洗手液,深蓝色表示同时发生的事件更多。现场审计员往往无法检测到这些手部卫生事件,如图所示,现场审计的图像中出现了大量空白。这通常是因为审计员分心或无法看见某些区域导致的。第二次卫生事件也会被忽略。

我们以一个展示医院病房俯瞰的动画作为结尾。我们的系统可以跟踪整个医院的人员,并知道他们的特定(x,y,z)位置。我们绘制了这些位置点,并创建了随时间变化的热图。该分析在识别交通模式和追踪潜在疾病传播方面非常有效。拥挤的区域通常位于走廊交叉点或患者病房外。仔细观察的话,你会发现静态审计师被标记为红色。

我们展示了如何使用计算机视觉和深度学习来自动监控医院中的手部卫生。这只是医疗行业计算机视觉应用的一个例子。我们还开发了其他计算机视觉系统来监控患者的运动、分析运动质量、手术过程以及检查老年人的异常情况等。

我们采用了视点不变卷积网络来识别危险的手部卫生场景。我们的研究还涉及在迈向基于视觉的智能医院过程中,开发追踪和监测手部卫生依从性的系统。这一领域的探索和发展为我们带来了迈向智能化医疗的新机遇和挑战。相关文章已在健康机器讲习班和神经信息处理系统等领域发表并分享给了业界专家和研究人员参考学习交流进步改进提升推动发展进步提升改进提升推动发展进步提升。(注:以上内容仅供参考和娱乐用途)在医院环境中,基于视觉的手部卫生监测技术的崭新探索。由美国著名学者S.杨、A.阿拉希等人组成的研究团队深入探讨了这一话题。在充满挑战的医院环境中,他们的研究成果提供了一种新的视角。本次分享会在美国医学信息学协会(AMIA)的年度研讨会上进行,会议地点设在华盛顿特区,时间是2016年11月。

在这个重要的医学研讨会上,学者们展示了基于视觉的手部卫生监测系统如何助力医院环境卫生的提升。他们的研究不仅为医疗行业提供了一种新的监控手段,也推动了医疗科技的进步。研究团队的成员包括Z.罗、B.彭、A.Haque、A.Singh、T.Platchek、A.Milstein以及L.Fei-Fei等多位专业人士,他们的研究成果不仅丰富了医学领域的理论与实践,也为公众的健康福祉做出了贡献。这次会议充分展示了视觉技术在医学领域的重要应用和发展潜力。

Copyright © 2016-2025 www.bnfh.cn 怪异网 版权所有 Power by